CN111505650B - 一种基于hpss的水下目标被动检测方法 - Google Patents
一种基于hpss的水下目标被动检测方法 Download PDFInfo
- Publication number
- CN111505650B CN111505650B CN202010351761.7A CN202010351761A CN111505650B CN 111505650 B CN111505650 B CN 111505650B CN 202010351761 A CN202010351761 A CN 202010351761A CN 111505650 B CN111505650 B CN 111505650B
- Authority
- CN
- China
- Prior art keywords
- signal
- time
- neural network
- hpss
- harmonic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于HPSS的水下目标被动检测方法,通过HPSS,将水下目标信号的线谱和连续谱分离,有效分析不同分量谱对检测带来的影响,促进深度神经网络挖掘其更深层的信息。本发明针对被动声呐获取的水下目标信号存在线谱和连续谱两种成分,利用HPSS的方法将两种成分分离,一方面可以剔除干扰,另一方面可以对连续谱和线谱进行单独分析,利用深度神经网络挖掘水下目标更深层的信息。在复杂海洋环境背景下,提高水下目标被动检测的性能以及鲁棒性和泛化能力。
Description
技术领域
本发明涉及信号处理领域,尤其是一种水下目标的检测方法。
背景技术
在军事活动中,被动声呐通常利用目标辐射的噪声进行探测,是对各类舰船和潜艇等水上与水下目标进行探测的重要手段。而在被动声呐探测中,目标检测是目标分类、识别以及定位的基础。随着近年来,舰船机动性和隐蔽性的提高,加之海洋环境的复杂性,为水下目标被动检测带来了极大的挑战。
目前水下目标被动检测的技术主要分为两种:一种基于水下目标的线谱检测技术。常常是针对特定背景噪声下的研究,并且需要目标特性的先验信息。并且仅针对线谱检测,忽视了连续谱等其他信息。另一种是将非线性理论应用到水下目标被动检测中来。例如,随机共振方法,其存在的问题在于参数如何选择以及实际水声信号频率较大等问题仍需要更深一步的研究。并且被动声呐获取的水声信号中,还存在复杂的海洋背景噪声以及其他目标的干扰,对现有的检测方法带来了较大的影响。
水下目标在行驶过程中,由于动力系统不断发生振动、螺旋桨的转动以及船体与海水介质之间的相互作用,以声波的形式向周围传播辐射噪声。主要包括连续谱分量和线谱分量。近年来,一种谐波冲击波源分离(HPSS)的方法在音乐分离领域开始受到关注。一般而言,音乐信号在频谱上通常呈现两种分布,一种是沿时间轴上的连续平滑分布,另一种是沿频率轴上的连续平滑分布,通常将这两种分布的声源分别称为谐波源和冲击波源。水下目标和音乐信号同样具有类似的两种分量,借鉴此方法,利用HPSS将水下目标的线谱和连续谱分离,利用两者分别对信号特性进行分析,挖掘目标之间更深层的信息。
发明内容
为了克服现有技术的不足,本发明提供一种基于HPSS的水下目标被动检测方法。采用HPSS作为水下目标特征提取的方法,并利用深度神经网络来实现水下目标被动检测。利用HPSS可以将水下目标的谐波和冲击波分离,一方面可以剔除冲击干扰,另一方面可以有利于神经网络挖掘更深层的信息,提高水下目标被动检测性能。在复杂的海洋环境下,该方法具有鲁棒性和泛化能力
本发明解决其技术问题所采用的技术方案的步骤如下:
步骤一:获取信号;
获取布放在实验场地被动声呐的水声信号y(t):
其中,h(t)是水声信道,s(t)为水下目标信号,n(t)为海洋背景噪声。*为卷积运算,t为时间变量;
步骤二:预处理;
将水听器接收的水声信号y(t)进行去直流操作,经过预处理后的信号为x(t);
步骤三:时频变换;
预处理后的信号经过分帧加窗处理后,进行时频变换,时频变换的计算公式为:
其中w(t)为窗函数,τ为时延,f表示信号频率,ω为信号的角频率,ω=2πf,π表示圆周率;
步骤四:HPSS
利用HPSS将获取到的时频变换X(τ,f))进行谐波和冲击波分离处理;通过最小化代价函数J(H,P)获得谐波源Hh,i及冲击波源Ph,i,满足以下公式:
Hh,i+Ph,i=Wh,i,Hh,i>0Ph,i>0
其中,Wh,i为输入信号的能量谱,σH,σP分别为谐波源和冲击波源的平滑度参数因子,i表示帧数,Hh,i和Ph,i分别表示i帧的谐波源和冲击波源的傅里叶变换,Hh,i-1和Ph,i-1分别表示i-1帧的谐波源和冲击波源的短时傅里叶变换,H和P分别代表信号的谐波源和冲击波源的集合;
步骤五:数据集划分
信号经过步骤四之后得到每一帧的Hh,i和Ph,i,绘制谐波时频图和冲击波时频图,将谐波时频图和冲击波时频图作为数据集,将数据集划分为训练集和测试集,并利用实验记录的走航路线标注每个图像有无水下目标;
步骤六:构建神经网络;
搭建深度神经网络,其中深度神经网络可以选择卷积神经网络或循环神经网络;
步骤七:网络优化;
神经网络的超参数对网络的学习性能和效果起到了非常重要的作用,通过调节网络的学习率、批次大小、卷积核尺寸、激活函数等超参数,实现对网络的优化;
步骤八:实现水下目标被动检测;
将待测数据经过预处理之后,通过训练好的深度神经网络模型给出检测结果,实现水下目标被动检测。
步骤五中,所述数据集的训练集和测试集的划分比例为7:3。
本发明的有益效果在于针对被动声呐获取的水下目标信号存在线谱和连续谱两种成分,利用HPSS的方法将上述两种成分分离,一方面可以剔除干扰,另一方面可以对连续谱和线谱进行单独分析,利用深度神经网络挖掘水下目标更深层的信息。在复杂海洋环境背景下,提高水下目标被动检测的性能以及鲁棒性和泛化能力。
附图说明
图1是本发明基于HPSS的水下目标被动检测方法的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
针对现如今水下目标被动检测方法存在不足的问题,提出一种基于HPSS的水下目标被动检测方法。本发明主要考虑到水下目标主要由线谱和连续谱两部分组成,通过HPSS这样一种特征提取的方法,可以将水下目标信号的线谱和连续谱分离,有效分析不同分量谱对检测带来的影响,促进深度神经网络挖掘其更深层的信息。在复杂海洋环境下,提高水下目标被动检测性能以及鲁棒性和泛化能力。
针对水下目标被动检测的问题,提出一种基于HPSS的水下目标被动检测方法,主要步骤如下:
步骤一:获取信号
获取布放在实验场地被动声呐的水声信号y(t),
h(t)是水声信道,s(t)为水下目标信号,n(t)为海洋背景噪声。*为卷积运算,t为时间变量。
步骤二:预处理
将水听器接收的信号进行去直流操作,经过预处理后的信号为x(t)。
步骤三:时频变换
预处理后的信号经过分帧加窗处理后,进行时频变换。时频变换的计算公式为:
其中w(t)为窗函数,τ为时延,f表示信号频率,ω为信号的角频率ω=2πf,ω=2πf,π≈3.14。时频变换采用短时傅里叶变换的方法,参数设置如表1所示。
表1短时傅里叶变换参数
名称 | 参数设置 |
采样频率 | 1024Hz |
窗长 | 512 |
帧长 | 1s |
重叠率 | 50% |
加窗类型 | 汉明窗 |
傅里叶变换点数 | 512 |
步骤四:HPSS
利用HPSS将获取到的时频变换X(τ,f)进行谐波和冲击波分离处理。通过最小化代价函数J(H,P)获得谐波源Hh,i以及冲击波源Ph,i,满足以下公式
Hh,i+Ph,i=Wh,i,Hh,i>0Ph,i>0
其中Wh,i为输入信号的能量谱,σH=0.7,σP=1.03为谐波源和冲击波源的平滑度参数因子,i表示帧数,Hh,i和Ph,i分别表示i帧的谐波源和冲击波源的短时傅里叶变换,Hh,i-1和Ph,i-1表示i-1帧的谐波源和冲击波源的短时傅里叶变换,H和P分别代表信号的谐波源和冲击波源的集合。
步骤五:数据集划分
信号经过步骤四之后的谐波时频图和冲击波时频图作为数据集,按照7:3的比例将数据集划分为训练集和测试集,并利用实验记录的走航路线标注每个图像有无水下目标。
步骤六:构建神经网络;
搭建深度神经网络,其中深度神经网络可以选择卷积神经网络或循环神经网络。
步骤七:网络优化
神经网络的超参数对网络的学习性能和效果起到了非常重要的作用。主要通过调节网络的学习率、批次大小、卷积核尺寸、激活函数等超参数,实现对网络的优化。参数设置如表2所示。
表2神经网络参数设置
名称 | 参数设置 |
学习率 | 0.001 |
卷积核尺寸 | 3*3 |
激活函数 | Relu |
批次大小 | 32 |
目标函数 | Binary cross-entropy |
优化器 | Adam |
步骤八:实现水下目标被动检测
将待测数据经过预处理之后,通过训练好的深度神经网络模型给出检测结果,实现水下目标被动检测。
Claims (2)
1.一种基于HPSS的水下目标被动检测方法,其特征在于包括下述步骤:
步骤一:获取信号;
获取布放在实验场地被动声呐的水声信号y(t):
其中,h(t)是水声信道,s(t)为水下目标信号,n(t)为海洋背景噪声,*为卷积运算,t为时间变量;
步骤二:预处理;
将水听器接收的水声信号y(t)进行去直流操作,经过预处理后的信号为x(t);
步骤三:时频变换;
预处理后的信号经过分帧加窗处理后,进行时频变换,时频变换的计算公式为:
其中w(t)为窗函数,τ为时延,f表示信号频率,ω为信号的角频率,ω=2πf,π表示圆周率;
步骤四:HPSS
利用HPSS将获取到的时频变换X(τ,f))进行谐波和冲击波分离处理;通过最小化代价函数J(H,P)获得谐波源Hh,i及冲击波源Ph,i,满足以下公式:
Hh,i+Ph,i=Wh,i,Hh,i>0Ph,i>0
其中,Wh,i为输入信号的能量谱,σH,σP分别为谐波源和冲击波源的平滑度参数因子,i表示帧数,Hh,i和Ph,i分别表示i帧的谐波源和冲击波源的傅里叶变换,Hh,i-1和Ph,i-1分别表示i-1帧的谐波源和冲击波源的短时傅里叶变换,H和P分别代表信号的谐波源和冲击波源的集合;
步骤五:数据集划分
信号经过步骤四之后得到每一帧的Hh,i和Ph,i,绘制谐波时频图和冲击波时频图,将谐波时频图和冲击波时频图作为数据集,将数据集划分为训练集和测试集,并利用实验记录的走航路线标注每个图像有无水下目标;
步骤六:构建神经网络;
搭建深度神经网络,其中深度神经网络可以选择卷积神经网络或循环神经网络;
步骤七:网络优化;
神经网络的超参数对网络的学习性能和效果起到了非常重要的作用,通过调节网络的学习率、批次大小、卷积核尺寸、激活函数超参数,实现对网络的优化;
步骤八:实现水下目标被动检测;
将待测数据经过预处理之后,通过训练好的深度神经网络模型给出检测结果,实现水下目标被动检测。
2.根据权利要求1所述的一种基于HPSS的水下目标被动检测方法,其特征在于:
步骤五中,所述数据集的训练集和测试集的划分比例为7:3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010351761.7A CN111505650B (zh) | 2020-04-28 | 2020-04-28 | 一种基于hpss的水下目标被动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010351761.7A CN111505650B (zh) | 2020-04-28 | 2020-04-28 | 一种基于hpss的水下目标被动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111505650A CN111505650A (zh) | 2020-08-07 |
CN111505650B true CN111505650B (zh) | 2022-11-01 |
Family
ID=71867874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010351761.7A Active CN111505650B (zh) | 2020-04-28 | 2020-04-28 | 一种基于hpss的水下目标被动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111505650B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112885362B (zh) * | 2021-01-14 | 2024-04-09 | 珠海市岭南大数据研究院 | 基于辐射噪声的目标识别方法、系统、装置及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012181475A (ja) * | 2011-03-03 | 2012-09-20 | Univ Of Tokyo | 音響信号における特徴抽出方法及び当該特徴を用いた音響信号の処理方法 |
CN110070856A (zh) * | 2019-03-26 | 2019-07-30 | 天津大学 | 一种基于谐波冲击源分离数据增强的音频场景识别方法 |
CN110188235A (zh) * | 2019-05-05 | 2019-08-30 | 平安科技(深圳)有限公司 | 音乐风格分类方法、装置、计算机设备及存储介质 |
CN110245608A (zh) * | 2019-06-14 | 2019-09-17 | 西北工业大学 | 一种基于半张量积神经网络的水下目标识别方法 |
CN110807901A (zh) * | 2019-11-08 | 2020-02-18 | 西安联丰迅声信息科技有限责任公司 | 一种非接触式工业异常声音检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010210758A (ja) * | 2009-03-09 | 2010-09-24 | Univ Of Tokyo | 音声を含む信号の処理方法及び装置 |
KR101621718B1 (ko) * | 2014-12-17 | 2016-05-17 | 서울대학교산학협력단 | 배음 구조 및 성김 구조 제약조건을 이용한 화성악기와 타악기 소리의 분리 방법 |
US11081138B2 (en) * | 2018-09-28 | 2021-08-03 | Apple Inc. | Systems and methods for automated music rearrangement |
-
2020
- 2020-04-28 CN CN202010351761.7A patent/CN111505650B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012181475A (ja) * | 2011-03-03 | 2012-09-20 | Univ Of Tokyo | 音響信号における特徴抽出方法及び当該特徴を用いた音響信号の処理方法 |
CN110070856A (zh) * | 2019-03-26 | 2019-07-30 | 天津大学 | 一种基于谐波冲击源分离数据增强的音频场景识别方法 |
CN110188235A (zh) * | 2019-05-05 | 2019-08-30 | 平安科技(深圳)有限公司 | 音乐风格分类方法、装置、计算机设备及存储介质 |
CN110245608A (zh) * | 2019-06-14 | 2019-09-17 | 西北工业大学 | 一种基于半张量积神经网络的水下目标识别方法 |
CN110807901A (zh) * | 2019-11-08 | 2020-02-18 | 西安联丰迅声信息科技有限责任公司 | 一种非接触式工业异常声音检测方法 |
Non-Patent Citations (5)
Title |
---|
Hideyuki Tachibana.Comparative evaluations of various harmonic/percussive sound separation algorithms based on anisotropic continuity of spectrogram.《 2012 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)》.2012, * |
Jeongsoo Park.Exploiting Continuity/Discontinuity of Basis Vectors in Spectrogram Decomposition for Harmonic-Percussive Sound Separation.《IEEE/ACM Transactions on Audio, Speech, and Language Processing》.2013, * |
周智.一种水下航行体支撑轴承的损伤特征提取方法.《水雷战与舰船防护》.2016,(第04期), * |
张天骐等.结合区分性训练深度神经网络的歌声与伴奏分离方法.《声学学报》.2019,(第03期), * |
胡昭华等.深度卷积神经网络在音乐风格识别中的应用.《小型微型计算机系统》.2018,(第09期), * |
Also Published As
Publication number | Publication date |
---|---|
CN111505650A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245608B (zh) | 一种基于半张量积神经网络的水下目标识别方法 | |
CN112257521B (zh) | 基于数据增强和时频分离的cnn水声信号目标识别方法 | |
CN107609488B (zh) | 一种基于深度卷积网络的舰船噪声识别分类方法 | |
CN109815942B (zh) | 基于海洋环境噪声信号的简正波特征提取方法 | |
Pertilä et al. | Robust direction estimation with convolutional neural networks based steered response power | |
Wu et al. | Adversarial defense for automatic speaker verification by cascaded self-supervised learning models | |
Wang et al. | ia-PNCC: Noise Processing Method for Underwater Target Recognition Convolutional Neural Network. | |
CN111505650B (zh) | 一种基于hpss的水下目标被动检测方法 | |
CN110544482B (zh) | 一种单通道语音分离系统 | |
CN113111786B (zh) | 基于小样本训练图卷积网络的水下目标识别方法 | |
CN107369451B (zh) | 一种辅助鸟类繁殖期的物候研究的鸟类声音识别方法 | |
CN108520756A (zh) | 一种说话人语音分离的方法及装置 | |
Shen et al. | Improved auditory inspired convolutional neural networks for ship type classification | |
CN115114949A (zh) | 一种基于水声信号的舰船目标智能识别方法及系统 | |
CN114722812A (zh) | 一种多模态深度学习模型脆弱性的分析方法和系统 | |
CN112183582A (zh) | 一种多特征融合的水下目标识别方法 | |
CN108919241A (zh) | 一种基于恒虚警检测的水下信号时频端点参数估计方法 | |
CN113011093B (zh) | 基于LCWaveGAN的船舶航行噪声仿真生成方法 | |
CN107635181B (zh) | 一种基于信道学习的多址感知源反馈优化方法 | |
CN116992263A (zh) | 一种基于多任务学习的水下航行器自噪声特征提取、识别与分离的方法 | |
CN112908340A (zh) | 一种基于全局-局部加窗的声音特征快速提取方法 | |
CN113570041B (zh) | 一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法 | |
CN111624585A (zh) | 一种基于卷积神经网络的水下目标被动检测方法 | |
CN107328870B (zh) | 超声波波形对应关系判别及叠加方法 | |
Zhou et al. | A Novel Cross-Attention Fusion-Based Joint Training Framework for Robust Underwater Acoustic Signal Recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |